10 年经验面试：大模型时代，数据团队要怎么转型？
面试怎么回答
我判断简单取数、写 SQL 和文档这类工作会被大幅提效，但数据的准确性、口径统一、治理和安全反而更重要，因为大模型生成 SQL 准不准取决于语义层、指标和元数据的质量，口径混乱的数仓接上大模型只会更快地产出错误数字；同时非结构化数据的处理是新的数据工程工作。所以团队转型我会做几件事：先夯实指标平台、语义层、元数据和质量；建设 RAG 数据链路、训练评估数据管理这类面向 AI 的能力；在开发流程里用 AI 写 SQL、生成测试、诊断任务失败，把省出的人力投入更有价值的事；人员结构上减少纯取数岗位，增加数据产品、治理和 AI 数据工程角色。节奏上先选一两个价值清楚、风险可控的场景试点，看准确率和成本，做出效果再扩大。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
这两年面试数据负责人，几乎都会被问：大模型来了，你的团队要怎么变？SQL 都能自动写了，还需要这么多数据开发吗？面试官想看的是你对行业变化的判断，以及落到团队上的具体打算，而不是空谈「拥抱 AI」。
先判断：什么会变，什么不会变
会被大幅提效的工作：
- 简单取数和报表：业务方可以用自然语言问数，临时取数需求会明显减少；
- 写 SQL、写文档、写测试、排查报错：开发效率可以提升一截。
反而更重要的工作：
- 数据的准确和口径统一：模型生成 SQL 的准确率，取决于背后的语义层、指标定义和元数据质量。口径混乱的数仓接上大模型，只会更快地产出错误数字；
- 数据治理和安全：权限、脱敏、审计在 Agent 访问数据时要求更高；
- 非结构化数据：文档、客服对话、图片需要采集、清洗、切分和向量化，这是新的数据工程工作；
- 业务理解：知道该问什么问题、怎么解读结果，模型替代不了。
团队怎么转
- 夯实底座：把指标平台、语义层、元数据和数据质量做扎实，这是问数类应用准不准的前提；
- 建设面向 AI 的数据能力：RAG 的数据链路（文档解析、切分、向量化、更新）、训练和评估数据的管理、特征和样本；
- 用 AI 提升自己的效率：在开发流程里用 AI 写 SQL、生成测试、做代码 Review、排查任务失败，节省出的人力投入到更有价值的事；
- 人员结构调整：减少纯取数的岗位，增加懂业务的数据产品、数据治理和 AI 数据工程的角色；
- 培养和招聘：组织内部学习和试点项目，让骨干先做出几个能落地的应用。
节奏和风险
- 先选 一两个价值清楚、风险可控的场景试点，比如内部的问数助手、任务失败的自动诊断，做出效果再扩大；
- 关注成本和准确率，不要为了 AI 而 AI。